Почему вероятностное ПО ненадежно для пенсионного планирования

Многие из этих приложений находятся на рынке - некоторые из них разработаны такими компаниями, как Betterment, Vanguard, T. Rowe Price и Schwab, а другие продаются в качестве подписных услуг для финансовых консультантов для использования со своими клиентами. Проблема заключается в том, что пользователи вынуждены полагать, что они должны принимать важные жизненные решения с помощью этих приложений, хотя основные вероятности основаны на неотъемлемо непредсказуемых результатах.

По правде говоря, применение программного обеспечения вероятности для анализа пенсионного планирования - глупость. Даже самое сложное программное обеспечение для пенсионного планирования, используемое финансовыми специалистами, далека от хрустального шара.

Проблема с вероятностями

Недостатки программного обеспечения для выхода на пенсию с вероятностью, особенно те приложения, которые применяют так называемые методы моделирования Монте-Карло, достаточно хорошо известны в профессиональных кругах. Одним из первых научных статей, которые поднимали этот вопрос, была статья 2006 года, написанная известным исследователем по вопросам выхода на пенсию и профессором Йоркского университета Торонто Моше Милевским, который отметил в своем выступлении:

«Конечно, поскольку большинство инвестиционных консультантов уже много лет знают, номер выхода на пенсию, если он действительно существует, является неопределенным и неточным, поскольку он зависит от многих экономических неизвестностей, особенно с будущими доходами на рынке ценных бумаг. В конце концов, этот номер нужно инвестировать где-то для получения дохода, а процесс возврата портфеля по своей сути является случайным ».

В дополнение к непредсказуемости будущих доходов Милевский продолжает документировать, как «вероятности», создаваемые популярными программными приложениями для выхода на пенсию, варьируются от одного приложения к другому, в зависимости от внутренних допущений и параметров проекта.

В другом научном исследовании, опубликованном в феврале, сделан вывод о том, что «рекомендации, предоставленные большинством этих инструментов, крайне вводят в заблуждение домашних хозяйств».

Эти публикации вызвали у некоторых вопрос о том, предлагает ли программное обеспечение для планирования выхода на пенсию какую-либо ценность для потребителей. Итак, какие существуют альтернативы?

Программное обеспечение «Back-testing»

Финансовые консультанты, которые используют программное обеспечение для моделирования Монте-Карло, часто выражают результаты своих клиентов с точки зрения вероятности положительного результата. Вместо того, чтобы пытаться предсказать «вероятности успеха», возможно, лучший способ приблизиться к планированию выхода на пенсию - с точки зрения стекла и полупустыни.

То, что вам действительно нужно знать, - это не то, как вы можете путешествовать, если все будет хорошо, но что будет с вами, если вероятность дождя на 10% превратится в 100% вероятность грозы. Вы отчаянно нуждаетесь и хотите знать: «Если на инвестиционном рынке все будет плохо, я все равно буду в порядке?»

Традиционно для этой цели использовалось историческое программное обеспечение «back-testing». Введя свой профиль выхода в отставку в приложение для тестирования на заднем плане, вы можете проверить, как ваш портфель мог бы работать, если бы вы ушли на пенсию до предыдущих экономических спадов. Хотя такая информация является полезной и интересной для потребителей, обратное тестирование также имеет значительные ограничения.

В частности, предыдущие возвращения вряд ли повторяются в той же последовательности снова, и вполне возможно, что будущие доходы будут хуже, чем исторический опыт.

Кроме того, предположим, что вы хотели проверить, как ваш портфель может задерживаться на 30-летнем этапе выхода на пенсию, если вы ушли в отставку в конце 1999 года (незадолго до 2000-го-2002-го и 2007--09-го рынков). Поскольку мы только в 2016 году, невозможно проанализировать анализ на протяжении всего 30-летнего горизонта. Вы не можете проверить будущее.

Техника начальной загрузки

Одним из решений ограничений обратного тестирования является применение метода моделирования, называемого самонастраиванием. Хотя механизм моделирования под капотом многих приложений для выхода на пенсию требует, чтобы разработчик программ делал предположения о ожидаемых средних показателях доходности и волатильности для различных классов активов, самонастраивание не требует таких предположений. Моделирование производится вместо случайной выборки исторических возвратов.

Если генерируется достаточное количество симуляций - как правило, как минимум 5000 - медианный результат можно ожидать примерно в соответствии с историческими средними значениями. Рассматривая диапазон результатов ниже медианы, программы самонастройки могут иллюстрировать сценарии, демонстрирующие доходность ниже среднего, при этом статистические данные по показателям риска (нижние 1%, 5% и 10%) представляют собой сценарии, которые могут быть такими же плохими как или хуже исторической записи.

Например, в следующей таблице показаны результаты моделирования начальной загрузки для 65-летнего инвестора с 25-летним периодом выхода на пенсию, стоимостью первоначального портфеля в размере 1 млн. Долл. США и распределением пенсий на сумму от 70 до 30 долл. США. В этом примере инвестор требует 50-процентного (5-процентного) коэффициента изъятия первого года и 3% -ного ежегодного увеличения стоимости жизни. Он оценивает свой годовой инвестиционный расход на уровне 1% и заявил, что он будет рассчитывать пропорционально от каждого класса активов каждый год и перебалансировать, чтобы сохранить свое распределение в размере от 70 до 30.

Сосредоточив внимание на нижней половине результатов и отображении диапазона моделирования с пятилетним шагом в течение периода времени, вы можете получить гораздо более ощутимое представление о том, как долго и как долго могут сохраняться ваши сбережения. Более того, представляя данные в этом формате, легко проверить, как изменяющиеся факторы, которые находятся под вашим контролем (сумма расходов, стратегия вывода, распределение активов, инвестиционные затраты) могут повлиять на результаты.

Чтобы быть ясным, в этих результатах моделирования нет ничего предсказательного, и процентили моделирования не следует рассматривать как вероятности. Вместо этого худшие результаты просто представляют собой потенциальные сценарии, которые могут быть использованы, чтобы дать вам более четкое представление о том, что может произойти, если что-то пойдет плохо.

В то время как бутстрапинг предлагает аккуратный способ проиллюстрировать эти данные, он также не лишен недостатков и ограничений. В этом примере загрузка была применена только к историческим данным фондового рынка с 1970 по 2014 год. Доля облигаций в портфеле считалась постоянной 2% в год, что разумно отражает доход, который инвестор может заработать сегодня на пятилетнем CD или 10-летнее казначейство. Тот факт, что моделирование начальной загрузки не применялся к историческим данным по облигациям, отражает ограничение, наблюдаемое в большинстве приложений для выхода на пенсию, поскольку доходность по облигациям сегодня находится вблизи дна исторической экстремальности. В результате любое приложение Монте-Карло, которое генерирует числа, основанные на средних исторических доходностях облигаций, или любое моделирование начальной загрузки, которое представляет собой случайную выборку исторических возвратов индекса облигаций, может привести к слишком оптимистичным результатам.

С любым приложением для планирования выхода на пенсию дьявол находится в деталях. Потребителям и советникам было бы хорошо потратить время, чтобы понять предположения и ограничения, присущие любому приложению для планирования выхода на пенсию.

Джон Х. Робинсон является владельцем финансового планирования Гавайи и соучредителем Nest Egg Guru, программного обеспечения для планирования пенсионного планирования для финансовых специалистов.

Изображение через iStock.